Jul, 2023

基于边缘感知的多任务网络，用于在多模态非对比度 MRI 上集成量化、分割和不确定性预测的肝肿瘤

PDF
TL;DR本文提出了一种基于边缘感知多任务网络 (EaMtNet) 的方法，可用于联合多索引肝肿瘤的定量、分割和不确定性估计，并使用多任务学习提高分割和定量性能。实验证明，该模型在医学图像分析方面具有可靠的临床辅助工具的潜力。
发现论文，激发创造
  • 多模态非对比增强 MRI 肝肿瘤分割和检测的联合对抗学习

    本文提出了一个联合对抗学习框架 (UAL)，用于利用多模态非对比磁共振成像 (NCMRI) 同时分割和检测肝肿瘤，验证实验表明 UAL 在肝肿瘤的临床诊断中有极大的潜力。

    Jan, 2022

  • E$^2$Net：一种在 CT 扫描中用于精确肝脏和肿瘤分割的边缘增强网络

    我们提出了一种两阶段的 2D 肝脏和肝瘤分割框架，第一阶段是粗略的肝脏分割网络，第二阶段是用于更精确的肝脏和肿瘤分割的边缘增强网络 (E$^2$Net)。E$^2$Net 在网络内明确地建模互补对象（肝脏和肿瘤）及其边缘信息，以保留器官和病变边界。我们还提出了一个深度交叉特征融合模块，以从两个对象及其边缘中细化多尺度特征。建议的框架在肝和肝肿瘤分割方面表现出优越性能。

    Jul, 2020

  • 具有不确定性量化的肝脏肿瘤分割的各向异性混合网络

    研究表明，肝肿瘤是重要的负担，是癌症死亡的第四大原因。为了指导治疗策略，我们提出比较两种基于各向异性模型的管道方法，对肝脏和肿瘤进行分割，同时提出了一种不确定性量化策略用于识别潜在的假阳性肿瘤病变。

    Aug, 2023

  • 多模态证据融合网络用于可信 PET/CT 肿瘤分割

    在计算机辅助肿瘤诊断和治疗中，精确分割 PET/CT 图像对癌症的诊断和治疗非常重要。本文提出了一种新颖的多模态证据融合网络（MEFN），通过交叉模态特征学习（CFL）模块和多模态可信融合（MTF）模块，以有效整合 PET 和 CT 图像中的互补信息并考虑模态不确定性，进而提高肿瘤分割的准确性和可信度。通过在两个公开的 PET/CT 数据集上进行广泛的对比实验，结果表明我们的方法在 DSC 评分上分别比现有方法提高了 2.15% 和 3.23%。此外，我们的模型还能够为放射科医生提供可信的分割结果不确定性，对于临床应用非常重要。

    Jun, 2024

  • 多轴融合增强 MR 图像转换中的不确定性估计

    我们提出了一种新的模型不确定性量化方法 MAF，该方法依赖于从体积图像数据的多个视图中获得的互补信息的集成，应用于 3D 医学图像到图像转换的认知不确定性估计，并在合成对比增强的 T1 加权影像上应用。

    Nov, 2023

  • 基于多任务神经网络框架的多模态 MRI 数据增强 CT 图像合成

    本研究提出了一种基于增强的 Transformer U-Net 架构的多功能多任务神经网络框架，可以同时、选择性和自适应地解决医学图像中的图像分割、实值预测和跨模态转换等关键挑战。通过对人脑 MR 和 CT 图像的公共数据集进行验证，我们将合成 CT 图像的传统问题分解为不同的子任务，包括颅骨分割、HU 值预测和图像顺序重建。为了增强该框架处理多模态数据的多功能性，我们在模型中添加了多个图像通道，并进行了基于 T1 加权和 T2-Flair 图像合成的 CT 图像比较，评估了模型从形态学和像素值角度集成多模态信息的能力。

    Dec, 2023

  • 多源标注下医学图像分割学习协议

    本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net 由 UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明 UMA-Net 优于现有方法。

    Apr, 2023

  • 融合跨模态幻觉 MRI 和 CT 辅助纵隔肺肿瘤分割

    本文提出一种名为 CMEDL 的交叉模态教育深度学习分割方法，通过利用低辐射剂量的计算机体层扫描图像，结合核磁共振成像技术中的软组织成像信息，用神经网络进行训练与分割，有效提高其肺肿瘤数据分割的准确性。

    Sep, 2019

  • 急性心肌梗死 MRI 心肌分割和 T2 定量的同时深度学习

    在心脏磁共振成像（MRI）分析中，提出了一种名为 SQNet 的双任务网络，集成了 Transformer 和卷积神经网络（CNN），能够同时完成心肌分割和 T2 定量分析，提高了诊断准确性。

    May, 2024

  • 多阶段多目标 CT 扫描中的肝脏病变分割和检测

    通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了 1.6% 的改进，并降低了 8% 的主体间性能差异。

    Apr, 2024